Trích rút thực thể từ các văn bản tiếng việt trên internet

1 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG HOÀNG THỊ VÂN ANH TRÍCH RÚT THỰC THỂ TÊN TỪ CÁC VĂN BẢN TIẾNG VIỆT TRÊN INTERNET LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI – 2012 2 Luận văn được hoàn thành tại: HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học: TS. Nguyễn Phương Thái Phản biện 1: ………………………………………………………… Phản biện 2: ………………………………………………………… Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông Vào lúc: giờ ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện của Học viện Công nghệ Bưu chính Viễn thông 26 với đặc thù riêng của bài toán trích rút thực thể tên tiếng Việt. Hệ thống đã hoạt động và trích rút các thực thể tên từ các văn bản tiếng Việt. Quá trình xây dựng hệ thống còn gặp một số khó khăn như: Thuật toán DIPRE chỉ thường áp dụng cho các bài toán trích rút cặp quan hệ. Vì vậy, khi trích rút thực thể đơn sẽ gặp khó chọn lọc được Pattern mẫu trong quá trình xây dựng Pattern và sinh Pattern mới. Mặt khác, thực thể tên có nhiều cách biểu diễn khác nhau nên rất khó để tìm ra mối liên hệ khi xây dựng mẫu hoặc có thể xảy ra nhập nhằng. Trong tương lai, tôi sẽ tiếp tục nghiên cứu về trích rút thông tin và phát triển hệ thống, bổ sung chức năng tìm kiếm, nhận diện thực thể tên ở những trường hợp đặc biệt và nâng cao chất lượng trích rút. Tôi dự định sẽ tìm hiểu sâu hơn về kỹ thuật xây dựng Pattern để có những Pattern hợp lý hơn. Ngoài ra, tôi sẽ tiến hành phân tích thêm về xâu ký tự đứng trước Pattern để hạn chế nhập nhằng và trích rút được thực thể tên ở một số dạng đặc biệt. 3 MỞ ĐẦU Thông tin trên các trang web thường thể hiện dưới dạng ngôn ngữ tự nhiên và được định dạng theo HTML. Hạn chế của HTML là thiếu khả năng diễn đạt ngữ nghĩa về các đối tượng xuất hiện trong trang web nên phần lớn nội dung thông tin trên các trang web chỉ phù hợp cho người đọc hiểu. Hầu hết các công cụ tìm kiếm tài liệu trên web được coi là tìm kiếm hiệu quả cũng chủ yếu tìm kiếm được trên bề nổi của web. Để khai thác hiệu quả nguồn thông tin trên các trang web, chúng ta cần nghiên cứu các ứng dụng tự động xử lý văn bản. Trước hết, chúng ta cần xây dựng hệ thống tự động trích rút các thực thể, các khái niệm xuất hiện dựa vào một nguồn tri thức về các thực thể và các khái niệm phổ biến trong thế giới thực. Từ đó, chúng ta có thể xây dựng các hệ thống khai thác dữ liệu để khai phá các lớp tri thức nhằm hiểu đầy đủ ngữ nghĩa của văn bản. Tiếng Việt có nhiều cách viết, cách thể hiện nội dung nên quá trình trích rút thông tin từ các văn bản tiếng Việt gặp nhiều khó khăn hơn trong các văn bản tiếng Anh. Trong luận văn, tôi 4 tiến hành nghiên cứu và xây dựng hệ thống tự động trích rút thực thể tên từ các văn bản tiếng Việt trên Internet. CHƯƠNG I: TỔNG QUAN 1.1. Bài toán trích rút thực thể tên 1.1.1. Phát biểu bài toán trích rút thực thể tên Theo Baumgarter, hệ thống trích rút thông tin là một hệ thống phần mềm tự động và liên tục trích rút dữ liệu các trang web có nội dung thay đổi và phân phối dữ liệu trích rút vào cơ sở dữ liệu hoặc các ứng dụng khác. Hình 1.1 Mô hình hệ thống trích rút thông tin trên web Hệ thống trích rút thông tin thường đưa ra kết quả là các mẫu (template) chứa một số lượng xác định các trường (slots) đã được điền thông tin. Bài toán trích rút 25 KẾT LUẬN Luận văn đã hệ thống hóa một số lý thuyết về trích chọn thông tin, trình bày, phân tích, đánh giá các phương pháp đó. Sau đây là một số nét chính mà luận văn đã tập trung giải quyết. Chương I trình bày và nêu ý nghĩa của bài toán trích rút thực thể tên. Trong chương I, phần đặc điểm tiếng Việt được để có thể làm căn cứ cho quá trình tìm kiếm và trích rút thực thể tên. Ngoài ra, chương I còn trình bày một số hướng tiếp cận để giải quyết bài toán trên là: Giải thuật DIPRE, phương pháp Snowball, phương pháp KnowItAll. Sau đó, luận văn phân tích ưu nhược điểm của từng phương pháp để đề xuất một phương pháp có hiệu quả hơn trong trích rút thực thể tên. Ở đây, luận văn sử dụng giải thuật DIPRE kết hợp Snowball để xây dựng hệ thống trích rút thực thể tên. Chương II đưa ra mô hình khái quát, mô hình chi tiết, ý tưởng và cách giải quyết bài toán trích rút thực thể tên từ các văn bản tiếng Việt. Chương III xây dựng hệ thống thử nghiệm dựa theo ý tưởng của thuật toán DIPRE và có cải tiến để phù hợp 24 Bảng 3.4. Bảng kết quả thực nghiệm File name correct incorrect Missing Spurious Pre Rec F 1019.seg 5 0 1 1 83,33 83,33 83,33 974.seg 4 2 0 0 66,67 66,67 66,67 46609.seg 11 3 2 0 78,57 68,75 73,33 53.seg 20 1 0 0 95,24 95,24 95,24 23254.seg 6 1 1 0 85,71 75,00 80,00 Trung bình: 81,90 77,80 79,71 0,00 50,00 100,00 1 2 3 4 5 6 Pr e Hình 3.5. Giá trị ba độ đo Precision, Recall, F-measure Kết quả cho thấy, hệ thống trích rút thực thể tên hoạt động rất tốt ở những văn bản viết đúng, đầy đủ các tiền tố và quy tắc trình bày của thực thể tên. 5 thực thể tên trong các văn bản tiếng Việt còn gặp nhiều khó khăn hơn so với bài toán trong các văn bản tiếng Anh vì một số nguyên nhân như: Thiếu dữ liệu huấn luyện và các ngồn tài nguyên có thể tra cứu như WordNet trong tiếng Anh, tồn tại rất nhiều vấn đề nhập nhằng làm cho việc trích rút gặp nhiều khó khăn. 1.1.2. Ý nghĩa của bài toán trích rút thực thể tên - Hỗ trợ xây dựng Sementic Web. - Xây dựng các máy tìm kiếm hướng thực thể. - Hỗ trợ hệ thống tự động tóm tắt văn bản. 1.2. Đặc điểm tiếng Việt Phần lớn vốn từ vựng của tiếng Việt là các từ đa âm tiết. Cùng một sự vật, hiện tượng, một hoạt động hay một đặc trưng có thể được biểu thị bởi nhiều từ ngữ khác nhau gây khó khăn khi xây dựng hệ thống trích rút thực thể tên. Thực tế đã có rất nhiều nghiên cứu và hệ thống xử lí, phân đoạn từ. Trong hệ thống trích rút xây dựng ở phần demo, hệ thống sẽ sử dụng các văn bản đã được chạy qua hệ thống phân đoạn từ nên hệ thống bỏ qua bước phân đoạn từ. 1.3. Một số nghiên cứu liên quan 6 1.3.1. Giải thuật Dual Iterative Pattern Relation Expansion (DIPRE) Giải thuật DIPRE (Dual Iterative Pattern Relation Expansion) dùng để trích rút mẫu quan hệ ngữ nghĩa “author – book” với tập dữ liệu ban đầu khảng 5 ví dụ cho mối quan hệ này. Hệ thống DIPRE mở rộng tập ban đầu thành một danh sách khoảng 15.000 cuốn sách. Tóm tắt giải thuật DIPRE như sau: Đầu vào: Tập các quan hệ mẫu S={A i , B i } Ví dụ: trong trường hợp trên, tập quan hệ mẫu là S = {<author i , book i }. Tập này được gọi là tập hạt giống. Đầu ra: Tập các quan hệ R trích chọn được. Xử lý: - Tập quan hệ đích R được khởi tạo từ tập hạt giống (seed) S. Ký hiệu tập seed ban đầu là <A, B> - Tìm tất cả các câu có chứa đủ các thành phần của tập seed ban đầu. - Dựa vào tập câu đã tìm được, tiến hành tìm các mẫu quan hệ giữa các thành phần của seed ban đầu. Mẫu quan hệ được biểu diễn dưới dạng sau: [order, author, book, prefix, suffix, middle] 23 Hình 3.1 Giao diện hệ thống Hệ thống có 3 Module: - Module Trích rút: dùng để trích rút thực thể tên từ bài báo đã chọn. Kết quả sau khi trích rút hiển thị trong phần KẾT QUẢ - Module Huấn luyện: lấy kết quả trích rút từ bài báo và làm giàu cơ sở dữ liệu để phục vụ cho quá trình trích rút thực thể tên từ các bài báo khác. - Module Thống kê: Thống kê số thực thể tên theo nhóm đã chọn trích rút được. 3.3. Đánh giá kết quả của hệ thống. Hệ thống đã thực hiện thực nghiệm nhiều lần với nhiều văn bản khác nhau. Hệ thống đã thực hiện thực nghiệm nhiều lần với nhiều văn bản khác nhau được kết quả như bảng 3.4 22 CHƯƠNG III: THỰC NGHIỆM 3.1. Môi trường và dữ liệu thực nghiệm 3.1.1. Phần cứng 3.1.2. Phần mềm 3.1.3. Dữ liệu thực nghiệm Dữ liệu thực nghiệm là các bài báo từ Internet đã qua bộ tiền xử lý phân đoạn từ. 3.1.4. Thiết kế cơ sở dữ liệu * Bảng tblPattern: Chứa dữ liệu là tiền tố và tên nhóm thực thể tên tương ứng cần trích rút. * Bảng tblNotPattern: Chứa dữ liệu là các mẫu phạm quy và tên nhóm thực thể tên tương ứng. * Bảng tblOccurrences: chứa dữ liệu là các tiền tố, thực thể tên và tên nhóm thực thể tên tương ứng. 3.2. Giới thiệu hệ thống trích rút tự động thực thể tên từ các văn bản tiếng Việt trên Internet Hệ thống được thiết kế bằng ngôn ngữ lập trình C# trên nền tảng .Net Framework của Microsoft Visual Studio 2008 và sử dụng dữ liệu lưu trữ trong phần mềm quản trị dữ liệu SQL Server 2005. Hệ thống có giao diện như sau: 7 Từ những mẫu chưa được gán nhãn, ta thu được một tập seed <A’, B’> mới; thêm seed mới này vào tập seed cho quan hệ đó. - Quay lại bước 2 để tìm ra những hạt giống và mẫu mới. * Thuật toán GenOnePattern(O) sinh một Pattern 1) Điều kiện: order và middle của tất cả sự xuất hiện (occurrences) phải giống nhau. Nếu điều kiện trên không thỏa mãn thì không thể sinh ra được pattern khớp với tất cả occurrences. Đặt outpattern.order và outpattern.middle tương ứng với order và middle. 2) Tìm đoạn prefix giống nhau dài nhất của các urls. Đặt outpattern.urlprefix = prefix 3) Đặt outpattern.prefix là xâu giống nhau dài nhất của các prefixs tính từ cuối (suffix) của các tiền tố (prefixs) 4) Đặt outpattern.suffix là xâu giống nhau dài nhất của các suffix tính từ đầu (prefix) của các hậu tố (suffixs) đó. Kết quả thu được một pattern. 8 * Thuật toán GenPatterns(O) sinh tập Patterns Thuật toán cho GenPatterns(O) dựa vào thuật toán GenOnePattern(O) ở trên : 1) Nhóm tất cả sự xuất hiện o (occurrences) trong O theo order và middle thành nhóm O 1 , …, O k. 2) Với mỗi O i , p  GenOnePattern( O i ). Nếu p thoả mãn điều kiện về độ “riêng biệt” thì nhận p đưa ra ngoài. Nếu không: - Nếu tất cả o trong O i có chung url thì bỏ O i. - Ngược lại: Tách các o trong O i thành những nhóm con dựa vào đặc điểm urls của chúng qua p.urlprefix. Lặp lại bước 2. 1.3.2. Phương pháp Snowball Snowball là hệ thống trích rút mối quan hệ “tổ chức – địa điểm” mà tập mẫu và tập seed mới được sinh ra được đánh giá chất lượng trong quá trình xử lý. Hình 1.3 Kiến trúc của hệ thống Snowball 21 thức chính quy CandidateRegularExpression nên cần phải cắt tỉa và chuẩn hóa để thu được tên chính xác. Cách viết của tiếng Việt trong các văn bản tiếng Việt trên Internet rất đa dạng và phong phú. Vì vậy, đôi khi thông tin viết trong các văn bản tiếng Việt trên Internet không thật sự theo chuẩn – chuẩn ngữ pháp, chuẩn chữ hoa chữ thường… khiến cho việc việc cắt tỉa gặp nhiều khó khăn. Tuy nhiên, các văn bản tiếng Việt đưa vào hệ thống là các văn bản đã qua khâu tách từ và viết chuẩn chữ hoa chữ thường. Vì vậy, đây là mặt thuận lợi để kiểm tra xem xâu con của xâu kỳ vọng CandidateString có phải là xâu thực thể tên cần trích rút hay không. 2.4 Tổng kết chương Chương 2 đã trình bày toàn bộ ý tưởng và các thuật toán để giải quyết bài toán trích rút thực thể tên. Tận dụng ưu điểm của các văn bản đã qua khâu phân đoạn từ, việc xây dựng hệ thống trích rút thực thể tên đỡ phức tạp hơn rất nhiều. Hệ thống trích rút thực thể tên sẽ tập trung vào khâu nhận biết thực thể qua các tiền tố và tiến hành trích rút. 20 Bước 2: Kiểm tra ký tự đầu tiên của xâu ký tự được kỳ vọng là thực thể tên có phải là chữ hoa hay không. Bước 3: Kiểm tra xâu ký tự tìm được có trùng với các xâu ký tự trong bảng tblNotPattern hay không. Bước 4: Kiểm tra xâu ký tự so khớp tìm được đã có trùng với kết quả ở các bước lặp trước hay không. Bước 5: Tách xâu ký tự so khớp tìm kiếm được thành hai xâu con (PrefixPattern, tên thực thể) và kiểm tra sự xuất hiện của Pattern này. Bước 6: Lấy từng tên thực thể thu được so khớp với toàn bộ văn bản để tìm ra các PrefixPattern mới. Hệ thống cứ tìm kiếm, trích rút thực thể tên liên tục cho đến khi số lượng PrefixPattern bẳng 0 hoặc số lượng xâu ký tự so khớp tìm được sau bước 5 của vòng lặp tìm sự xuất hiện bị loại nhiều. OutPut: Các thực thể tên có trong văn bản 2.3. Quy tắt tách tên thực thể từ xâu kỳ vọng CandidateString Xâu CandidateString là xâu được “kỳ vọng” là có chứa tên thực thể thuộc nhóm thực thể tên cần trích rút. Ban đầu nó chỉ là một xâu bất kỳ được đoán nhận bởi biểu 9 * Hệ thống Snowball bao gồm các bước sau: Bước 1: Học bán tự động để trích rút mẫu. Snowball bắt đầu thực hiện với tập seed ban đầu mô tả về một mối quan hệ và một tập văn bản (tập huấn luyện). Các mẫu sau khi tìm thấy sẽ được đối chiếu lại với kho dữ liệu ban đầu để kiểm tra xem chúng có tìm ra được các bộ dữ liệu seed mới <A’, B’> nào không. Seed mới <A’, B’> sẽ nằm một trong các trường hợp sau: - Positive: <A’, B’> đã nằm trong danh sách seed - Negative: chỉ có đúng một trong hai (A’ hoặc B’) xuất hiện trong danh sách seed. - Unknown: cả A’, B’ đều không xuất hiện trong danh sách seed. Tập Unknown được xem là tập các seed mới cho vòng lặp sau. Snowball sẽ tính độ chính xác của từng mẫu dựa trên số Positive và Negative của nó và chọn ra top N mẫu có điểm số cao nhất. Bước 2: Tìm các seed mới cho vòng lặp tiếp theo. Với mỗi mẫu trong danh sách top N được chọn sẽ là các cặp trong tập seed mới được đưa vào vòng lặp mới. 10 Hệ thống sẽ chọn ra được m cặp được đánh giá tốt nhất dùng làm seed cho quá trình rút mẫu kế tiếp. Hệ thống tiếp tục quay lại bước một. Quá trình trên lặp cho đến khi hệ thống không tìm được cặp mới hoặc lặp theo số lần mà ta xác định trước. 1.3.3. Phương pháp KnowItAll Phương pháp KnowItAll tiến hành trích rút ra những sự vật, khái niệm và các mẫu quan hệ từ các trang web. KnowItAll được mở rộng từ một ontology và dựa vào một tập các luật để từ đó trích rút ra các luật cho mỗi lớp và các quan hệ trong ontology [4]. Đầu vào của KnowItAll là một tập các lớp thực thể được trích xuất, kết quả là một danh sách các thực thể được trích xuất từ các trang web. Các mẫu sử dụng đã được gán nhãn bằng tay, những mẫu này được xây dựng dựa vào việc tách cụm danh từ (Noun Phrase chunker). 1.4. Tổng kết chương Phương pháp KnowItAll sử dụng các kĩ thuật xử lý ngôn ngữ (phân tích cú pháp, tách cụm danh từ) nên khó áp dụng cho tài liệu tiếng Việt vì đối với ngôn ngữ tiếng Việt, các kĩ thuật xử lý ngôn ngữ, tài nguyên ngôn ngữ học 19 Quá trình trên được lặp lại nhiều lần cho đến khi không sinh ra được pattern mới hoặc độ chính xác của các thực thể rút trích được thấp… 2.2. Biểu diễn xâu tiền tố PrefixString của tên thực thể và thuật toán sinh PrefixPattern 2.2.1 Biểu diễn PrefixString Ánh xạ ngược mỗi thực thể vào tập dữ liệu ta thu được tập các PrefixString được biểu diễn như sau: < “S”, “N” , “C” > S : Xâu nội dung của PrefixString (xâu tiền tố) N: Tên thực thể C: Count – Số lần S là “tiền tố” của N Mỗi PrefixString có “độ ưu tiên” khác nhau trong việc lựa chọn tham gia sinh pattern. Độ ưu tiên đó dựa theo số lượng thực thể nhận nó làm tiền tố. 2.2.2 Thuật toán sinh PrefixPattern Input: Tập PrefixPattern mẫu, văn bản đã phân đoạn từ Bước 1: Lấy từng PrefixPattern mẫu trong tblPattern đem so khớp với văn bản để tìm ra xâu ký tự có chứa PrefixPattern và xâu ký tự được kỳ vọng là tên thực thể. [...]... khớp không được trùng với các so Thủ cũng như các kĩ thuật học máy đã xây dựng nhưng chưa sinh ra NewPrefixPattern từ tập PrefixStrings đã được trích rút ở bước trước để trích rút những thực thể mới 12 CHƯƠNG II: PHƯƠNG PHÁP TRÍCH RÚT THỰC THỂ TÊN 2.1 Mô hình trích rút thực thể tên 2.1.1 Mô hình tổng quát Đối với bài toán trích rút thực thể tên đang xét, mức tổng quát gồm các bước như sau: - Xuất phát... Ngữ cảnh của thực thể tên có nhiều điểm khác biệt như: - Đứng trước mỗi một thực thể tên thực thể thường là các “tiền tố” có dạng đặc biệt hoặc nằm trong một miền giá trị cụ thể - Thứ nhất: Đối tượng trích rút của hai bài toán khác nhau Bài toán trích rút của Brin yêu cầu phải trích rút theo từng cặp quan hệ (tác giả, tên sách) Bài toán trích rút đang xét yêu cầu trích rút tất cả các thực thể tên - Thứ... công; - Rút trích ra các thực thể tên trong tập tài liệu web dựa vào mẫu đó; - “Ánh xạ” lại các thực thể vừa trích rút được vào tập tài liệu web để xác định sự xuất hiện (Occurrences) của chúng trên tài liệu; - Sinh mẫu mới từ Occurrences đó; - Quay lại bước thứ nhất với mẫu vừa được sinh ra Do xuất phát không phải là tập các thực thể “mồi” mà là một mẫu, nên có thể rút trích được nhiều thực thể ngay... trình trích rút Bài toán trong luận văn này áp dụng ý tưởng đó cho việc sinh ra các patterns thích hợp dựa vào tập các thực thể liên quan Không phải là bất kỳ thực thể tên nào trích rút được cũng là đối tượng để xét tiền tố đứng trước nó Thực thể nào xuất hiện nhiều lần trong văn bản thì ta mới xét đến tiền tố đứng trước nó và dùng tiền tố này làm căn cứ để tiến hành trích rút tiếp các thực thể tên... tách xâu ký tự nhận được thỏa mãn các điều kiện kiểm tra để lấy thực thể tên cần trích rút Tập thực thể tên sau khi được trích rút sẽ được ánh xạ ngược trở lại văn bản ở bước lặp tiếp theo để tìm sự DIPRE kết hợp với phương pháp SnowBall Tuy nhiên, nhận dạng các thực thể, đây là một bước bắt buộc để đảm bảo quá trình sinh tập seed mới cũng như việc trích rút ra được các mẫu có độ chính xác cao xuất... cần có sự can thiệp của các luật để hạn chế sai sót trên Chương trình dừng lại khi hệ thống không tìm thêm được mẫu mới hoặc số lượng tên thực thể trích rút bị sai quá nhiều Quy trình rút trích được mô tả như hình dưới đây : Hình 2.1 Mô hình tổng quát Một số điểm khác nhau giữa bài toán trích rút thực thể tên và bài toán trích rút cặp thực thể của Brin: Hình 2.2 Mô hình bài toán Các mục dưới đây sẽ giải... lại thường không có một quy tắc nào xác định Trong hệ thống thực nghiệm của luận văn, dữ liệu đầu vào là các văn bản tiếng việt đã được chạy qua hệ thống xử lý khâu phân đoạn từ Vì vậy, các tiếng trong tên thực thể được nối lại bởi dấu “_” nên chúng ta có thể lược bỏ phần kiểm tra các suffix của thực thể tên Thay vào đó, hệ thống sẽ kiểm tra ký tự đầu tiên của xâu ký tự đứng ngay sau tiền tố của so khớp... của thực thể mà Brin rút trích khác với “sự xuất hiện” của thực thể tên trong các văn bản mà hệ thống của chúng ta rút trích được Trong mô hình Snowball, mỗi một cặp quan hệ được đánh giá dựa theo số lượng các pattern sinh ra nó, 14 15 cũng như “tính chọn lọc” của mỗi pattern Chỉ những cặp Ánh xạ PrefixPattern vào tập tài liệu để xác định nào có độ đánh giá phù hợp thì mới được sử dụng các. .. để tiếp tục tìm kiếm các thực thể tên khác Thủ tục Find_IndexsOfPrefixPattern với tham số đầu vào PrefixPattern sẽ tìm các xâu khớp (match) với PrefixPattern, kết quả thu được là các xâu chứa tiền tố xuất hiện trong văn bản * Extract_CandidateStrings Xét mỗi so khớp tìm được, xâu con đứng ngay sau tiền tố được mong đợi sẽ là một tên thực thể Điều kiện: 16 Từ PrefixStrings sinh ra các mẫu mới 7) Quy lại... số lần thực hiện vòng lặp Tuy nhiên, đây cũng chính là nguyên nhân dẫn đến việc hệ thống đưa ra nhiều kết quả trích rút bị sai Vì vậy, khi xây dựng hệ thống, quá trình 17 - Xâu ký tự được kỳ vọng là thực thể tên có điểm đặc biệt là ký tự đầu tiên của xâu đó luôn được viết hoa - Xâu ký tự đứng sau mỗi tên thực thể lại thường không có một quy tắc nào xác định Trong hệ thống thực nghiệm của luận văn, dữ . trong các văn bản tiếng Anh. Trong luận văn, tôi 4 tiến hành nghiên cứu và xây dựng hệ thống tự động trích rút thực thể tên từ các văn bản tiếng Việt trên. là các tiền tố, thực thể tên và tên nhóm thực thể tên tương ứng. 3.2. Giới thiệu hệ thống trích rút tự động thực thể tên từ các văn bản tiếng Việt trên